データ品質とは

データ品質基準は、企業がビジネス目標を達成するためにデータに基づいた意思決定を行っていることを保証します。重複データ、欠損値、外れ値といったデータの問題が適切に対処されない場合、企業はビジネスに悪影響がもたらされるリスクを高めてしまいます。Gartner社のレポートによれば、データ品質が悪いと、企業には年平均で1,290万USDのコストがかかります¹。その結果、データ品質の低さに伴う悪影響を軽減するデータ品質ツールが登場しました。

データ品質が意図された用途に対する基準を満たしている場合、データ・コンシューマーはそのデータを信頼できます。この信頼により、意思決定を改善し、新たなビジネス戦略の策定や既存のストラテジーの最適化につなげることができます。 反対に基準が満たされていない場合、データ品質ツールは根本的なデータの問題を企業が診断する際の手助けとなることで価値を発揮します。根本原因の分析により、チームはデータ品質の問題を迅速かつ効果的に修正できるようになります。

データ品質は、日常的なビジネス・オペレーションにおける優先事項であるだけではありません。企業がワークフローに人工知能（AI）や自動化テクノロジーを統合するにつれて、これらのツールを効果的に導入するためには高品質なデータが不可欠になります。「質の低いデータからは、質の低い結果しか得られない」という古くからの考え方は、機械学習アルゴリズムにも当てはまります。アルゴリズムが質の低いデータを基に予測や分類を学習した場合、不正確な結果が生じることが想定されます。

データ品質、データ整合性、データ・プロファイリングはすべてが相互に関連しています。データ品質はより広義な基準カテゴリーであり、組織が正確性、完全性、有効性、一貫性、一意性、適時性、目的への適合性からデータを評価する目的で利用します。

データ整合性は、これらの属性の一部、特に正確性、一貫性、完全性に焦点を当てています。また、データ・セキュリティーの観点からもこの概念に重点を置いており、悪意のある攻撃者によるデータ破損を防止するための保護対策を実装しています。

データ・プロファイリングは、これとは対照的に、組織内でデータ品質基準を維持するために、データをレビュー及びクレンジングするプロセスに重点を置いています。このプラクティスには、これらのプロセスをサポートするテクノロジーも含まれる場合があります。

データ品質はさまざまな次元に基づいて評価されますが、情報源によって次元は異なる場合があります。データ品質のメトリクスを分類するために使用されます。

• 完全性：このメトリクスは、使用可能または完全なデータの量を表します。Missing Valuesの割合が高い場合、データが典型的なデータ・サンプルを表していないとバイアスを含む分析や誤解を招く分析になる可能性があります。
• 一意性：このメトリクスは、データセット内に存在する重複データ量を測定します。たとえば顧客データをレビューする場合、各顧客が固有の顧客IDを持っていることが期待されます。
• 有効性：この次元は、データがビジネス・ルールに求められるフォーマットにどの程度一致するかを測定します。フォーマットには通常、有効なデータ型、範囲、パターンなどのメタデータが含まれます。
• 適時性：この次元は、予想される時間枠内におけるデータの準備状況を指します。例えば、顧客は購入後にすぐに注文番号を受け取ることを期待しており、そのデータはリアルタイムで生成される必要があります。
• 正確性：合意された「信頼できる情報源」に基づくデータ値の正しさを指します。同じメトリクスを報告するソースが複数存在する可能性があるため、主要なデータ・ソースを指定することが重要です。その後、他のデータ・ソースを使用して、主要なデータ・ソースの正確性を確認できます。たとえば、各データ・ソースが同じ方向の傾向を示していることをツールで確認すれば、データの正確性に対する信頼が高まります。
• 一貫性：この次元は、2つの異なるデータセットからのデータレコードを評価します。前述のように、単一の指標を報告するために複数のソースを特定することができます。一貫したデータの傾向と動作を確認するために異なるソースを使用することで、組織は分析から得られた実行可能な洞察を信頼することができます。このロジックは、データ間の関係にも適用できます。例えば、部門の従業員数は会社の総従業員数を超えてはなりません。
• 目的への適合性：最後に、目的への適合性はデータ資産が確実にビジネス・ニーズを満たすのに役立ちます。この要素は、特に新しく作られたばかりのデータ・セットだと評価が難しい場合があります。これらのメトリクスは、チームが組織でデータ品質のアセスメントを行い、データが特定の目的に対してどの程度有益かつ有用であるかを評価するのに役立ちます。

これらのメトリクスは、チームが組織でデータ品質のアセスメントを行い、データが特定の目的に対してどの程度有益かつ有用であるかを評価するのに役立ちます。

過去10年間、ハイブリッドクラウド、人工知能、モノのインターネット（IoT）、およびエッジコンピューティングの発展により、ビッグデータは飛躍的に増加しました。その結果、マスターデータ管理（MDM）の実践はより複雑になっており、優れたデータ品質を確保するために、より多くのデータ管理担当者と厳格な保護対策が求められるようになっています。

企業はデータ品質管理を利用して、ビジネス・インテリジェンスのダッシュボードといったデータ分析の取り組みをサポートしています。この監督がなければ、業界によっては（たとえばヘルスケアなど）、壊滅的な結果や倫理的な問題さえ引き起こす可能性があります。データ品質ソリューションは企業がデータを最大限に活用できるように支援すべく存在しており、次のような主要なメリットがあります。

• よりよいビジネス上の意思決定：高品質なデータにより、組織はさまざまなプログラムの主要業績評価指標（KPI）を特定してそのパフォーマンスを測定できます。これにより、チームはプログラムをより効果的に改善したり成長させたりすることができます。データ品質を優先する組織は、競合他社に対して間違いなく優位性を持つでしょう。
• 業務プロセスの改善：優れたデータは、オペレーション ワークフローのどこで障害が発生しているかをチームが特定できることも意味します。この要件はサプライチェーン業界にも当てはまり、この業界では、出荷後の適切な在庫量や保管場所を判断するためにリアルタイム・データに依存しています。
• 顧客満足度の向上：高品質なデータは、特にマーケティングおよび販売チームに対して、組織がターゲット購入者に関する驚くべき洞察を得るのに役立ちます。販売およびマーケティングのファネル全体でさまざまなデータを統合できるため、製品をより効果的に販売できるようになるのです。例えば、人口統計データとウェブ行動の組み合わせは、組織がメッセージングを作成する方法、マーケティング予算を投資する方法、または既存または潜在的なクライアントにサービスを提供するために営業チームを編成する方法についての情報を提供することができます。